[发明专利]肝脏图像的轮廓分割方法和装置

说明书

本发明实施例提供一种肝脏图像的轮廓分割方法和装置。所述方法包括：获取医学切片图像，所述医学切片图像包括肝脏切片，所述肝脏切片包括轮廓标注信息；将所述医学切片图像输入到图像分割模型，得到肝脏轮廓分割结果；所述图像分割模型为，预先以肝脏数据块为样本，以所述肝脏数据块中每个肝脏切片的轮廓标注信息为样本标签，根据所述样本的权重进行训练得到；其中，所述肝脏数据块包括第一预设数量的切片。本发明实施例通过预先训练的图像分割模型能够分割出肝脏轮廓，所述图像分割模型按照样本的权重训练，能够提高数据量少的样本及难分样本分割的分割准确度。

技术领域

本发明涉及图像分割技术领域，尤其涉及一种肝脏图像的轮廓分割方法和装置。

背景技术

肝癌是全球第5大高发恶性肿瘤。目前解剖型肝脏切除(以肝段切除为基础)是当前最有效治疗方法。肝脏的三维重建对切除手术有着重要的作用，是肝脏术前规划的一个重要环节。肝脏的三维重建是建立在肝脏CT(Computed Tomography，电子计算机断层扫描)二维图像上的分割基础之上的，所以分割效果的好坏就直接影响着三维重建的效果。

当前的肝脏分割方法可以被分成基于传统图像处理的方法：如利用图像的基本信息，如灰度值、梯度与其他低级特征.典型的方法包括区域生长、阈值法、图割方法还有基于水平集的方法。区域生长是按照事先定义的生长准则将一个像素或者子区域逐步聚合成一个完整独立的连通区域的方式。阈值法是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，适用于目标和背景占据不同灰度级范围的图像。肝脏图割方法通过基于水平集实现的混合模型对肝脏进行分割，其中参数通过使用监督优化程序来调整。

相较于传统的分割方法，近些年来基于深度学习的分割方法成为了研究热点之一。现有技术一全卷积神经网络(FCN，Fully convolutional networks)，将全连接网络替换成了卷积网络，使得卷积神经网络能够进行图像分割的任务；该分割网络同时解决了图像中目标分类与分类定位两个重要的问题，使得自动三维重建成为可能。现有技术二3D深度监督网络(3D DSN，Deeply-Supervised Nets)解决这一具有挑战性的任务；所提出的3DDSN利用全卷积架构，有效的端到端学习和推理，在学习过程中引入了深层监督机制来对抗潜在的优化难题，从而使模型能够获得更快的收敛速度和更强大的识别能力。之后在FCN的基础上，现有技术三提出了U-Net网络，首先将跨越连接的思想应用于分割问题，添加了编码器-解码器之间的直接连接来帮助恢复目标的细节，大幅度提高了医学影像分割的准确性，在细胞图像和肝脏CT图像等多个问题，取得了当时最优分割精确。但是大多数深度学习方法无法充分利用CT影像的三维空间信息，仅仅使用二维卷积神经网络，还有部分使用三维卷积的算法，但是没有结合CT影像的浅层与深层特征。最近，现有技术四提出U-Net+3D-CRF(Conditional Random Fields，条件随机场)以及3D U-Net等网络结构，为原先二维的U-Net结构提供了更多的三维信息，进一步提高了轮廓分割的准确度。

由于传统的肝脏分割方法，很大程度依赖于对阈值的调参；而基于深度学习的分割方法，由于有着更好的泛化能力和精度，逐渐成为主流方法。而现有的主流基于深度学习的方法的训练策略，一般是对所有的训练样本进行随机抽取，进行训练。

综上所述，现有技术存在的问题是：由于肝脏的数据类型是多样且不均衡；同一个肝脏样本不同CT切片的分割难易程度也是不一样的；若是不加区分的对所有样本进行随机抽取，将导致数据量少的样本，由于抽取的概率低；因此加入训练的次数很少，导致对少数样本的学习不够充分，另一方面随机抽取没有加大对难分样本的关注度，进而影响了难分样本的分割效果。

发明内容

针对现有技术问题，本发明实施例提供一种肝脏图像的轮廓分割方法和装置。

本发明实施例提供一种肝脏图像的轮廓分割方法，所述方法包括：

获取医学切片图像，所述医学切片图像包括肝脏切片，所述肝脏切片包括轮廓标注信息；